一种实时的自适应卡尔曼滤波方法.docxVIP

一种实时的自适应卡尔曼滤波方法 1 种实时的自适应卡尔曼滤波算法 在实际的车辆管理系统中，由于道路环境的变化和各种瞬态因素，干扰和测量噪声是随机变化的。因此，标准卡尔曼滤波算法的滤波精度降低，离散。因此，从实际情况来看，卡尔曼滤波方法在车辆导航定位方法中的重点是自适应卡尔曼滤波方法。目前较多采用的是模糊自适应卡尔曼滤波方法。文献将模糊自适应卡尔曼滤波方法和置信度加权方法与联邦滤波融合方法相结合,应用于组合导航系统。 文献多传感器数据融合的过程中,单个传感器的滤波使用了模糊自适应卡尔曼滤波,将所得到的结果送入模糊逻辑推理系统中,在多传感器数据融合的过程中进行相应权值的分配。 这些方法虽然在精度上达到了比较理想的效果,但是算法比较复杂,而且实时性不好,并且对系统硬件要求也比较高,这样就大大限制了其使用范围,所以针对以上问题,本文提出了一种实时的自适应卡尔曼滤波算法。与模糊自适应卡尔曼滤波方法(fuzzy adaptive kalman filter)相比,该方法通过一个简单的指数函数代替复杂的模糊控制器,实时的检测滤波器测量噪声的统计特性的变化情况,跟踪真实值。本方法不但实时性好,而且算法也比较简单,是目前应用在车辆组合导航系统中一种更为实用的方法。 2 组合智能模式 车辆导航对于其自主性、可靠性、快速性、精度等要求非常高。全球定位系统(GPS)定位范围广,精度高,成本低,但是信号很容易被遮挡。惯性导航系统(INS)可以完全自主提供全面的导航信息,但是其误差会随时间不断的积累。GPS/INS组合导航系统充分发挥了二者的优点,克服了缺点,具有互补性,是目前广泛采用的组合导航系统。 本文以GPS/INS组合导航系统为研究对象,采用INS作为主导航系统,利用GPS提供的速度和位置的误差信息作为观测量。假定系统的模型和噪声的统计特性已知,并且系统噪声为高斯白噪声,测量噪声未知。定义组合导航系统的状态向量为 Xl=[δL δλ δVEδVN?E?N?U?bx?byεbxε by εbz]T 观测向量为 Zk=[δL δλ δVEδVN] 式中,δL为纬度误差,δλ为经度误差,δVE为东向速度误差,δVN为北向速度误差,?E,?N,?U为3个平台误差角,?bx,?by为加速度沿载体x轴和y轴的常值漂移,εgx,εgy,εgz为陀螺仪的3个载体轴向的随机常值。本文设计的组合导航系统,如图1所示。 当系统工作时,INS主导航系统给出组合导航系统的速度姿态等信息,与通过GPS观测到的速度和位置的信息比较得到信息。RAKF通过指数函数对新息进行处理,得到观测噪声向量的修正值。卡尔曼滤波器通过此修正值对系统模型进行递推,使观测噪声向量的理论值接近实际值。INS主导航系统在进行误差补偿后,进行姿态解算得到速度、姿态、经纬度等导航信息。 3 模糊自适应卡尔曼滤波 标准卡尔曼滤波的基本方程是在标准条件下给出的,即已知系统模型和噪声的统计特性。但在工程实践中,要完全满足标准条件是非常困难的,另外在工程应用中测量噪声的统计特性不可能是完全已知的,它随着应用环境的条件而改变。所以通常情况下标准卡尔曼滤波所需要的条件不满足,而自适应卡尔曼滤波在系统模型和噪声的统计特性未知的情况下,可以得到较好的滤波效果。 下面给出模糊自适应卡尔曼滤波方法。模糊自适应卡尔曼滤波是通过方差匹配技术,增强残差的理论协方差阵和实际协方差阵的一致性,来提高滤波精度,抑制滤波的发散。残差的实际协方差阵的计算公式为 ?Ck=k∑i=k-Ν+1(rirΤi)/Ν(1)C?k=∑i=k?N+1k(rirTi)/N(1) 式中,rk=Ζk-Ηk?Xk/k-1?Ζkrk=Zk?HkX?k/k?1?Zk为系统观测向量,Hk为观测矩阵,Hk?XX?k/k-1为测量Zk的一步预测。N为用来计算实际协方差阵窗口的大小,可根据实际情况进行选取,本文选为20。 理论协方差阵的计算公式为 Sk=HkFk/k-1HTk+Rk-1(2) 式中,Pk为状态估计误差的协方差阵,Rk观测向量的方差阵。 定义: DΟΜk=Sk-?Ck(3) 由式(1)可以看出如果增加R则S也会增加,减小S,S同样会减小。本文建立以DOMk为输入,以ΔRk为输出的单输入单输出的模糊控制器。模糊规则建立如下: ①如果DOM为负,则ΔR增加;②如果DOM为零,则ΔR不变;③如果DOM为正,则ΔR减小。 模糊控制器的隶属度函数曲线,如图2所示。 模糊控制器经过模糊推理及解模糊获得ΔRk值,并对测量噪声协方差Rk值修正。使测量噪声更加接近于真实的模型,从而达到抑制滤波发散,提高滤波精度的效果。 4 实时的自适应卡尔曼滤波方法 在模糊自适应卡尔曼滤波中,卡尔曼滤波每次迭代的开始,需要模糊控制器给出的R值,所以自适应卡尔曼滤波算法的关键就是调节R值的过程。